마지막 편집일: 2026년 10월 26일
dbt 서밋 2026의 분과 세션에서, Okta의 애널리틱스 엔지니어링 수석 매니저인 푸자 크라헨은 자신의 경력 전반에 걸쳐 발견한 하나의 패턴을 중심으로 강연을 전개했습니다. 즉, 대시보드를 구축하고 학습 콘텐츠를 개발하며 AI 에이전트를 만드는 일은 결국 서로 다른 인터페이스를 입은 동일한 업무에 불과하며, 그 근본적인 질문은 변함없이 유지된다는 것입니다. 바로, 상대방—그리고 이제는 에이전트—가 자신들이 보고 있는 정보를 과연 신뢰할 수 있는가 하는 문제입니다. 컴캐스트에서는 대시보드를 구축하면서도 항상 숫자가 과연 올바른지 여부가 문제였고, 플루럴사이트에서는 학습 콘텐츠를 제작하면서도 결국 누군가가 단순히 영상을 시청하는 데 그치지 않고 실제로 무언가를 배우고 있는지가 핵심 질문이 되었습니다.
Okta에서는 인터페이스가 완전히 사라졌습니다: 차트도, 과정도 없고, 단지 답을 생성하는 기계만 있을 뿐이지만, 에이전트가 실제로 자신이 무엇에 대해 이야기하고 있는지 알고 있는지, 아니면 그저 자신감 있게 들릴 뿐인지에 대한 동일한 신뢰 질문은 여전히 아래에 남아 있습니다.
크레이언의 팀은 배송, 시장 진출, 제품 및 재무 부문에 걸쳐 약 13명의 분석 엔지니어를 두고 있으며, 보고를 위해 Tableau를, 중앙 데이터 웨어하우스로는 Snowflake를 활용하는 더 넓은 기술·데이터·인텔리전스 조직 내에 소속되어 있습니다.
“몇 년이 지나고 나서야, 에이전트를 구축하는 일 자체는 사실 그리 어려운 일이 아니었다는 깨달음이 들었습니다.”라고 크라헨은 말했습니다. “중요한 것은 에이전트가 무엇을 보고 신뢰할 수 있는지였습니다.”
Okta의 초기 AI 실험은 Snowflake의 UI 내부에 직접 구축된 시맨틱 뷰에서 실행되었으며, Snowflake Cortex 에이전트와 바로 연결되어 있었습니다. 이는 효과적이었고 처리 속도도 빨랐지만, 해당 시맨틱 뷰들은 실제 비즈니스 로직을 정의하는 관리 대상 dbt 모델들과는 완전히 분리되어 있었습니다.
크레이언의 팀은 해당 기반에 세 가지 취약점을 발견했습니다: 스노플레이크와 dbt 간의 컨텍스트 분리, 모든 것이 UI 클릭 기록에 저장되어 있어 감사성이 부족한 점, 그리고 에이전트의 모든 지시사항이 하나의 구분 없는 블롭으로 통합되어 있어 에이전트가 항상 알고 있어야 할 내용과 조회해야 할 내용을 구분할 수 없었던 점입니다.
그 세 가지 문제, 즉 균열, 분산화, 감사 가능성 부재, 그리고 구분되지 않은 하나의 덩어리가 하위 계층에서는 세 가지 명확한 실패로 드러났다: 누구도 무엇이 존재하는지 파악할 수 없었는데, 이는 시맨틱 뷰에 스노플레이크 외부로 이를 노출하는 카탈로그가 없었기 때문이다; 누구도 자신들이 발견한 내용을 신뢰할 수 없었는데, 최신 상태임을 확인해 주는 공유된 기록 시스템이 없었기 때문이다; 그리고 모든 팀이 공유된 어떤 것에도 기반하지 않고 각자 처음부터 자체적인 정의를 다시 도출하게 되었다.
해결책은 세 가지 계층으로 구성된 에이전트 컨텍스트 프레임워크로, dbt 내부에서 완전히 구축되어 일반적인 풀 리퀘스트를 통해 배포되었습니다. 모델 및 열 수준의 메타데이터에는 YAML에 새로운 “에이전트” 하위 블록이 추가되어, 해당 모델을 어떤 용도로 안전하게 사용할 수 있는지, 어떤 용도에서는 피해야 하는지, 그리고 자동으로 적용되어야 하는 필터가 무엇인지 명시합니다. 마크다운 형식의 컨텍스트 문서에는 회사 전반에 걸친 사실(예: Okta의 회계연도는 2월 1일에 시작됨)과 도메인별 라우팅 규칙이 담겨 있습니다.
그리고 Snowflake UI에서 dbt의 자체 세미틱 레이어 스펙으로 이전된 세미틱 뷰는 사실, 차원 및 지표의 관리되고 PR 검토를 거친 원본이 됩니다. 세미틱 뷰를 dbt에 도입하는 데에는 기존 Snowflake 세미틱 뷰의 DDL을 추출해 이를 자동으로 dbt 세미틱 뷰 스펙으로 변환하는 슬래시 명령에 연결된 맞춤형 스킬이 사용되었습니다. 또한 Okta는 dbt Core에 대해 공개 GitHub 토론을 열어, Cortex 에이전트와 같은 요소가 단순히 일반적인 dbt 모델 마테리얼라이제이션으로 처리되는 것이 적절한지, 아니면 노출과 마찬가지로 독자적인 일급 노드 유형으로 자리매김해야 하는지에 대한 의견을 구하고, 커뮤니티의 참여를 요청했습니다.
세 가지 모두가 오픈형 웨어하우스 네이티브 메타데이터 표준인 Agents Schema에 자동으로 동기화되므로, Cortex든 Claude든 SQL 접근 권한을 가진 모든 에이전트가 동일한 진실의 원천에서 데이터를 읽습니다. 실제로는 이는 Claude와 Snowflake Cortex라는 완전히 다른 두 제품이 서로 다른 경로를 통해 정확히 동일한 기반 컨텍스트를 읽는다는 것을 의미합니다: Claude는 MCP를 통해 메타데이터를 직접 쿼리하고 마크다운 파일 형태로 컨텍스트 문서를 읽는 반면, Cortex는 검색 서비스와 자체 스킬 구성 설정을 통해 동일한 정보를 읽습니다. dbt에서 규칙을 한 번 작성하면 두 소비자 모두 해당 규칙을 상속받으며, 내일 세 번째 에이전트를 추가하더라도 중복 없이 동일한 규칙을 그대로 상속받게 됩니다.
크라헨의 설명에 따르면, 그 이점은 잘못된 답변을 수정하는 과정이 더 이상 불투명한 에이전트 구성 파일을 편집하고 여러 번의 배포 주기를 거쳐 다시 적용하는 것을 의미하지 않게 된다는 점입니다. 분석 엔지니어가 dbt에서 컨텍스트 계층에 대한 변경 사항을 병합하면, 이를 읽는 모든 에이전트가 즉시 더욱 정교해집니다. “그 결과, 100번째 질문도 첫 번째 질문과 동일한 품질의 답변을 받게 됩니다.”라고 그녀는 말했습니다.
“이는 에이전트의 문제가 아닙니다. 오히려 인프라로서의 맥락에 더 큰 의미가 있습니다.”
팀의 다음 목표는, 컨텍스트가 변경될 때마다 에이전트에 대해 검증된 쿼리를 실행하는 자동화된 회귀 테스트를 도입하고, 컨텍스트를 단일 도메인을 넘어 확장하며, 궁극적으로 에이전트의 답변과 실제 정답 간의 피드백 루프를 완성하여 수정 사항이 컨텍스트 문서에 자동으로 반영되도록 하는 것입니다. 이는 크라헨의 표현대로 ‘신뢰하되 검증하라’에서 측정 가능한 정확도 점수로 나아가는 과정입니다.
dbt 서밋 2026의 모든 키노트와 분과 세션을 주문형으로 시청하세요. dbt 서밋 2026 주문형 시청 →
dbt 시작하기
실제로 확장 가능한 데이터 인프라를 구축하는 분석 엔지니어들과 함께하세요.
dbt Wizard CLI 설치
분석 엔지니어링에 특화된 에이전트로 시작해 보세요. 이 에이전트는 어떤 도구를 호출해야 하는지, 어떤 컨텍스트를 가져와야 하는지 알고 있으며, 사용자에게 결과를 표시하기 전에 스스로 작업을 검증합니다.
최신 게시물
메달리온 아키텍처를 넘어: 성장하는 dbt 프로젝트를 일관되게 유지하는 문서화된 규칙들
2026년 10월 26일에
dbt Wizard 내부에서는, 자신의 작업 과정을 보여주도록 설계된 AI 에이전트가 작동합니다.
2026년 10월 26일에
dbt v2의 주요 기능: 더 빠른 파싱, 하나의 공유 어댑터 계층, 그리고 거대한 manifest.json을 생략하는 문서 경험
2026년 10월 26일에
데이터를 형성하는 가장 큰 커뮤니티에 참여하세요
dbt 커뮤니티는 전 세계 수천 명의 데이터 리더 및 AI 실무자들과 함께 최고의 실무 사례, 혁신을 경험하고 직접 협업할 수 있는 문입니다. 질문을 던지고, 통찰을 공유하며, 전문가들과 함께 더 나은 결과를 만들어 보세요.